特征地图量化:一种有效的方法来对活跃的气管瘤图像进行分类
Mulugeta Shitie Zewudie1, Shengwu Xiong2, Xiaohan Yu3
1Department of Information Technology, Debark University, Debark, Ethiopia; School of Computer Science and Artificial Intelligence, Wuhan University of Technology, Wuhan, China.
Computers in biology and medicine
|November 15, 2025
概括
我们开发了一个过器修剪框架 (FSIM-SVD) 以使用深度学习模型高效地分类气管瘤. 这种方法减少了计算需求,同时提高了准确性,使人工智能诊断在资源有限的环境中更容易获得.
科学领域:
- 计算机科学 计算机科学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 卷积神经网络 (CNN) 有效地从反转眼图像对活跃的气管瘤进行分类.
- 在医疗中心部署复杂的CNN受到计算资源限制的阻碍.
研究的目的:
- 提出一种新的过器修剪框架 (FSIM-SVD),以解决医疗图像分析中CNN的计算限制.
- 在资源有限的医疗环境中实现深度学习模型的高效部署.
主要方法:
- 开发了一个基于特征地图的量化过器修剪框架 (FSIM-SVD).
- 利用特征相似性 (FSIM) 来量化冗余特征地图.
- 采用单一值分解 (SVD) 来评估特征地图贡献.
- 根据它们对模型性能的影响,修剪了不那么重要的过器.
主要成果:
- VGG16在活跃气管瘤分类方面实现了86.9%的准确性,FLOP降低了28.6%,参数降低了33.4%.
- 在CIFAR10上,ResNet110实现了94.31%的准确性,FLOP减少了43.8%,参数减少了43.1%.
- 与最先进的方法相比,FSIM-SVD方法显示出更高的修剪率和更好的分类性能.
结论:
- FSIM-SVD框架有效地降低了用于医学图像分类的CNN的计算复杂性.
- 这种方法提高了AI驱动的诊断工具在资源有限的医疗保健环境中的实用性.
- FSIM-SVD为医疗服务中高效准确地部署深度学习模型提供了一个有前途的解决方案.
